基于分裂鲁棒学习的消费电子资源分配方法及系统

本发明涉及物联网，尤其涉及基于分裂鲁棒学习的消费电子资源分配方法及系统。

背景技术：

1、近年来，随着物联网(iot)行业的快速技术发展，各种类型的消费电子(ce)产品已经激增用于智慧城市。由于智慧城市物联网中ce的增加，每个ce都可以成为与周围ce进行数据交互和信息共享的通信节点，这导致不同的智慧城市服务需要高资源效率并形成大规模的数据共享网络。然而，在大规模数据共享网络中，数据交互的频率会引起干扰和频谱资源的竞争。干扰可能导致ce无法实时通信，影响ce的正常工作。同时，频谱资源的干扰冲突意味着多个ce共享单个频谱，并且一些ce不能获得足够的频谱资源用于通信，这将导致ce通信中断，并恶化ce智慧城市服务的传输性能。因此，如何在大规模数据共享网络中降低干扰的同时改善网络资源分配，已成为亟待解决的关键问题。

2、另一方面，传统的资源分配主要是集中式的，其中在中央控制器中执行ce的通信资源管理。为了更好地进行资源管理，每个ce必须向中央控制器报告本地信息，包括本地信道状态和干扰信息，这存在网络传输开销大的问题。分裂学习可以与设备交互并训练共享模型，它使用本地数据，它将模型更新而不是原始数据提交给集中式参数服务器，减少设备之间的数据传输和干扰，以实现更有效的资源分配。因此，分裂学习已成为一种重要的资源管理方案。

3、研究人员研究了智慧城市场景中物联网的资源分配。资源分配问题意味着当ce的数量增加时，针对频谱资源的干扰冲突也将增加，这可能导致通信质量下降。有文献开发了一种重要性感知的联合数据选择和资源分配算法，以减少联合边缘学习系统的端到端延迟并提高学习效率。有文献提出了一种基于联邦强化学习的连接自动车辆网络中的任务卸载和资源分配算法，以减少具有不同通信和计算约束的任务执行延迟。有文献提出了一种称为并发联合强化学习的新资源分配方法，该方法最大化了服务器和边缘主机的隐私。有文献研究了多跳多通道无线传感器网络的高可靠数据传输问题，提出了一种基于深度强化学习的新型无线模式，显著提高了网络性能。有文献提出了一个基于区块链的物联网联邦学习框架，以最大限度地减少系统的能耗。有文献提出了一种新的两阶段深度强化学习方案，该方案解决了边缘物联网环境中的资源分配问题。研究者们已经考虑利用相关的学习理论来解决物联网中的资源分配问题，这为我们的工作提供了一个很好的方向。然而，它没有考虑在大规模的数据共享网络的资源分配和干扰避免问题。由于分裂学习可以减少大规模网络管理中的信息交换和计算量，因此采用分裂学习来解决大规模数据共享网络中的资源分配和干扰避免问题是一种尚待研究的新兴解决方案。

4、针对干扰问题，许多研究者从不同的角度对干扰问题进行了相应的研究。一些工作主要考虑同信道和相邻信道的干扰对数据共享通信的影响。由于同信道或相邻信道的干扰，当ce之间的通信距离较近时，相邻ce之间的通信可能会干扰其他ce的通信。其他研究人员已经考虑了多径干扰对数据共享通信的影响由于ce之间存在多径传播，通信质量受到多径效应的影响，导致信道信号衰减、相位失真和时延扩展等问题。上述研究考虑了物联网中不同情况的干扰。然而，在智慧城市的大规模数据共享网络中，对干扰避免的关注较少，这可能会导致重叠区域的干扰增加，影响ce的正常通信。

技术实现思路

1、本发明提供一种基于分裂鲁棒学习的消费电子资源分配方法及系统，解决的技术问题在于：如何在大规模数据共享物联网网络中降低干扰的同时改善网络资源分配。

2、为解决以上技术问题，本发明提供基于分裂鲁棒学习的消费电子资源分配方法，包括步骤：

3、s1、构建智慧城市物联网的通信模型，所述智慧城市物联网的通信模型包括m个基站、n个消费电子设备和j条子信道，j条子信道被分配用于基站和消费电子设备之间，以及消费电子设备和消费电子设备之间进行通信；基站简称bs，消费电子设备简称ce；

4、s2、构建所述通信模型的干扰超图模型；

5、s3、基于所述干扰超图模型构建资源分配优化问题：

6、

7、

8、

9、

10、其中，max表示使最大，s.t.表示使满足，c1、c2、c3分别表示概率约束、子信道分配约束和功率约束，sn,j表示是根据干扰超图模型确定的第n个ce对子信道j的选择因子，rn,j表示第n个ce在子信道j上的数据传输速率，rmin表示ce的最小速率，1-ε表示中断概率，pr{}表示用户速率满足最小速率要求的概率；pn,j表示第n个ce在子信道j上的发射功率，pmax表示ce的最大发射功率；

11、s4、基于分裂鲁棒学习对所述资源分配优化问题进行求解。

12、进一步地，所述步骤s2具体为：

13、根据超边构建条件构建以n个ce做顶点的超边，得到干扰超图模型，超边表示彼此干扰的ce的集合。

14、进一步地，所述步骤s3具体包括步骤：

15、s31、去除所述干扰超图模型中的非重叠区域，得到重叠区域干扰超图模型；

16、s32、基于线图的定义将所述重叠区域干扰超图模型转换为干扰线图；线图的定义是顶点集对应于所述重叠区域干扰超图模型的超边集的图，如果线图的两个顶点的相应超边在所述重叠区域干扰超图模型中有非空交，则称它们在线图中相邻；

17、s33、基于所述干扰线图构建所述资源分配优化问题。

18、进一步地，所述步骤s4具体包括步骤：

19、s41、构建表征信道实现的不确定性的椭球集合表示为：

20、

21、其中，c，和c是从样本数据集学习的参数，hn,j为n个ce在子信道j上的信道增益集合，h1,h2,...,hn表示第1,2,...,n个信道增益，u表示约束向量；

22、s42、基于所述椭球集合将约束c1改写为：

23、

24、其中，pn,j表示n个ce对子信道j的发射功率矩阵，ο＝σ2in×1表示干扰噪声功率矩阵，in×1表示n×1的单位向量；

25、s43、剔除所述椭球集合中的低概率区域，将所述步骤s42改写后的约束c1进一步改写为：

26、

27、其中，是的中心；

28、s44、重建所述椭球集合如下：

29、

30、其中且参数ξ表示的大小，p0表示pn,j的初始值；

31、s45、使用步骤s44重建的椭球集合对步骤s3改写c1后的资源分配优化问题进行求解，获得全局最优网络吞吐量解。

32、进一步地，所述步骤s41具体包括步骤：

33、s411、收集t个独立同分布的不完美csi样本a1,a2,...,at构成样本集合csi表示信道状态信息；

34、s412、将样本集合分成两个集合和其中包括前t1个样本即包括剩余样本即

35、s413、计算参数和将椭球集合表示为其中是块对角矩阵，λ的对角元素是集合的样本协方差；sc为的初始尺寸；

36、s414、通过集合定义任一样本a的校准值t(a)的潜在分布的(1-ε)分位数q1-ε，然后，获得观测值t(a1),...,t(an)的函数值，并将观测值t(1)≤...≤t(n)按升序排列后，值t(k*)＝(1-ε)n用作t(a)的1-ε分位数的上界；

37、s415、根据sc＝t(k*)计算c，δ是λ的乔列斯基分解；

38、s416、基于计算的参数和c得到样本集

39、进一步地，rn,j由下式计算：

40、rn,j＝blog(1+γn,j)

41、其中，b表示每个子信道的带宽，γn,j表示根据瑞利衰落信道模型计算的cen对子信道j的信号与干扰加噪声比；

42、γn,j由下式计算：

43、

44、其中，pm,j是第m(m≠n)个ce在子信道j上的干扰发射功率，hm,j是第m(m≠n)个ce在子信道j上的干扰信道增益，hn,j是cen在lkj上的信道增益，σ2表示噪声功率和ce的干扰之和。

45、进一步地，rmin设置为：

46、

47、λ是ce的数据到达速率，dth是队列中允许的最大停留时间。

48、本发明还提供一种基于分裂鲁棒学习的消费电子资源分配系统，其关键在于：包括智能体，所述智能体用于实现上述方法中所述的步骤s1～s4。

49、本发明提供的基于分裂鲁棒学习的消费电子资源分配方法及系统，其有益效果在于：

50、1)针对数据共享通信的智慧城市场景中ce之间的干扰问题，基于超图理论建立了干扰超图模型，该模型演示了多个ce如何相互干扰。考虑到干扰规避的难点主要集中在重叠区域的资源分配冲突上，将干扰超图模型划分为多个vsc，并基于线图理论将重叠区域的干扰规避问题转化为图的顶点着色问题；

51、2)针对数据共享通信场景中多个时延敏感业务的时延保证问题，建立了基于排队论的时延模型。该模型可以将时延转换为速率，以保证时延要求。基于此模型，建立了一个强大的优化模型，以最大限度地提高网络吞吐量，同时确保延迟要求与不完美的csi；

52、3)针对大规模数据共享网络中信道随机参数的引入使得鲁棒优化模型难以求解的问题，提出了一种基于分裂的鲁棒学习算法。该算法利用分裂学习理论学习鲁棒优化模型。得到了优化模型的可行解，实现了智慧城市大规模数据共享网络下网络吞吐量的最大化；

53、4)仿真结果表明，该方法在大规模数据共享网络中具有良好的网络吞吐量、干扰效率(ie)和能量效率(ee)。